2 Experimentos com Mistura
|
|
- Emanuel Pinto Klettenberg
- 7 Há anos
- Visualizações:
Transcrição
1 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras Expermentos com Mstura Neste capítulo são apresentados tópcos para planeamento e análse de Expermentos com Mstura (EM) com uma aplcação real. Formulações de EM são comumente encontradas nas ndústras uímcas, farmacêutcas, de almentos e em outros setores ndustras. Nesses expermentos, os fatores são proporções dos componentes de uma mstura e a resposta é uma varável ue caracterza a ualdade do produto, assumda como sendo função da proporção dos componentes. Nesses expermentos, a soma das proporções dos componentes é sempre gual a um. Seam x, as varáves ue representam as proporções dos componentes da mstura. Tem-se então: = x = ; x 0; =, L, (.) As restrções apresentadas na Euação (.) são mostradas grafcamente na Fgura, para o caso de uma mstura de dos e três componentes. A regão factível da mstura de dos componentes é representada por um segmento de reta e para o caso de mstura de três componentes é representada por um trângulo. a) b) Fgura - Espaço fatoral restrto para msturas com a) e b) 3 componentes No caso de expermentos com msturas de três componentes, a regão expermental restrta pode ser representada com a utlzação de um sstema de coordenadas trlnear, como mostrado na Fgura.
2 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras Fgura - Sstema de coordenadas trlnear Cada lado do trângulo corresponde a uma mstura bnára e os vértces dos trângulos correspondem às formulações de componentes puros. No nteror do trângulo, estão stuadas as possíves msturas ternáras. Neste caso, são necessáras apenas duas dmensões para representar grafcamente o expermento. Como cada componente é representado por um vértce, uma fgura geométrca com três vértces e duas dmensões, ou sea, um trângulo eülátero, representa o espaço fatoral restrto de uma mstura ternára. Ao modfcar a formulação no sentdo de alterar as propredades de uma determnada mstura em estudo, as novas proporções devem contnuar obedecendo às restrções apresentadas na Euação (.). Devdo a essas restrções, as metodologas adotadas em proetos de expermentos com mstura devem ser adaptadas para possbltar o trato de problemas dessa natureza. Esses métodos modfcados têm encontrado uma larga aplcação na cênca, na engenhara e na ndústra. Cornell (00) é a prncpal referênca sobre EM. Nela pode-se encontrar uma exposção abrangente e detalhada. Myers & Montgomery (00) dedcam os Capítulos e 3 a EM, consttundo uma boa ntrodução ao assunto. Pepel (004) sumarza a pesusa relaconada com expermentos com mstura durante um período de 50 anos, ue va de 955 até 004. Prescott et al. (00) propõem um modelo uadrátco alternatvo ao modelo uadrátco aos modelos tradconalmente usados em EM (modelos de Scheffé).
3 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 3.. Modelos de Scheffé para Expermentos com Mstura Os modelos recomendados para EM são os polnômos canôncos de Scheffé (Sheffé, 958). O Modelo Quadrátco de Scheffé tem a segunte forma: (, x) = β x = Qβ β x x (.) onde os β s são os coefcentes dos parâmetros do modelo. Note ue este modelo não possu o termo ndependente, uma vez ue ele é elmnado por uma smplfcação provenente da restrção básca de EM apresentada na Euação (.). < O Modelo Cúbco de Scheffé tem a segunte forma: C ( β, x) < = β = β x x x < ( x x ) β x x < < k β x x x k k (.3) O Modelo Cúbco Especal de Scheffé é gual ao Modelo Cúbco, exclundo os termos x x ( x x ) < β... Modelos para Expermentos com Mstura com Varável de Folga Cornell (000) dz ue alguns pesusadores estão tendo sucesso com a utlzação de varável de folga (slack-varable) em EM. Cornell (000), Cornell (00, Capítulo 6), Cornell & Gorman (003) e Khur (005) fazem estudos comparatvos entre modelos ao ual denomnam modelos com varável de folga e os modelos de Scheffé. Além dsso, o software Desgn-Expert oferece a opção de austar modelos com varável de folga. A déa de utlzar uma varável de folga se apóa na propredade fundamental de EM, ou sea, ue as proporções dos componentes da mstura não são ndependentes. Em uma mstura de componentes, conhecendo a proporção dos ( ) prmeros componentes, pode-se determnar também a proporção do componente, á ue x = x x K x.
4 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 4 Cada grau de modelo expresso pela forma canônca de Scheffé possu uma forma de modelo euvalente com varável de folga. Defnndo arbtraramente x como a varável de folga (slack-varable), pode-se reescrever o Modelo Quadrátco de Scheffé, apresentado na Euação (.), na forma de varável de folga. α = (, x) = α 0 α x α x Qα α x x (.4) = = Comparando a Euação (3.) com a Euação (.), pode-se conclur ue α =, α β 0 β, β β β < = e α β ( β β ) =. Pode-se também escrever o Modelo Cúbco Especal para EM com varável de folga como segue: C ( α, x) < < k = α 0 k = α x α x x x k = α x < α x x < ( x x ) α x x (.5) Para cada grau de modelo para EM de componentes, pode-se consderar possbldades de varável de folga. A escolha de ual componente deve ser desgnado como varável de folga não é claramente apresentado na lteratura. Algumas escolhas de varável de folga apresentadas na lteratura estão no componente com o maor campo de varação R = U L, sendo L o lmte nferor (lower lmt) e U o lmte superor (upper lmt) da proporção do -ésmo componente da mstura, ou no componente cua proporção x é maor ue a dos outros, ou no componente mas nerte ou natvo. No entanto, estes crtéros podem levar a uma escolha euvocada da varável de folga. (Cornell, 000) Em EM é muto comum ter um ou mas componentes com um campo de varação da proporção (R ) muto peueno, o ue resulta numa regão expermental altamente restrta, gerando colneardade (ou uase dependênca lnear) entre as colunas da matrz X da Euação (.9). Uma forma de reduzr a colneardade é elmnar do modelo completo os termos ue contrbuem sgnfcatvamente para o aumento dela. Além dsso, a utlzação de varáves de folga pode contornar melhor o problema de colneardade e, conseüentemente, levar à obtenção de modelos melhores ue os modelos de Scheffé. (Khur, 005)
5 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 5.3. Pseudocomponentes Em expermentos com mstura, pode haver a necessdade de restrngr a proporção de um ou mas componentes, ue, por motvos técncos ou prátcos, podem não varrer todas as proporções possíves, ue correspondem ao ntervalo fechado entre 0 e. Com sso, o novo espaço expermental passa a ser uma subregão do espaço orgnal. Essas restrções dos componentes, ue são muto comuns nos casos ndustras, podem ser superores, nferores ou uma combnação dos dos tpos e serão dscutdas a segur. Os lmtes superores e/ ou nferores nas proporções são representados da segunte forma: 0 L x U ; =, K (.6), onde L é o lmte nferor e U é o lmte superor da proporção do componente. A Fgura 3 lustra um caso de expermento com mstura de três componentes com restrções nferores nas proporções dos três componentes e um caso de com uatro componentes com restrção superor na proporção de apenas um componente. a) b) Fgura 3 - Restrções a) nferores e b) superores nas proporções dos componentes Quando são estabelecdos os lmtes nferor e superor para as proporções de uma mstura, a regão de expermentação fca reduzda a uma sub-regão da regão orgnal. Nesses casos pode-se redefnr as coordenadas da sub-regão em termos de pseudos componentes. Os pseudocomponentes são defndos em função dos componentes orgnas e de um dos lmtes (nferor ou superor). Têmse então dos tpos de pseudocomponentes: os L-pseudocomponentes relatvos ao lmte nferor e os U-pseudocomponentes relatvos ao lmte superor. Segundo
6 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 6 Cornell (00), a prncpal razão para utlzar pseudocomponentes é ue usualmente torna-se mas fácl planear o expermento e austar o modelo. Myers & Montgomery recomendam o uso de pseudocomponentes para austar modelos de mstura uando há restrções nos componentes, o ue acarreta moderados a altos níves de multcolneardade. Geralmente, um modelo de mstura ue utlza pseudocomponentes terá menores níves de multcolneardade do ue o mesmo modelo com os componentes orgnas. (Myers & Montgomery, 00). Os L-pseudocomponentes são defndos como (Cornell, 00): onde L = L =. v x L = ; =,, K (.7) L, Para se obter componentes orgnas (x ), basta utlzar a relação nvertda da Euação (.7): x ( L) v = L (.8) Os U-pseudocomponentes, são defndos como (Cornell, 00): onde U = U =. u U x =, =,, K (.9) U, Para se calcular os respectvos componentes orgnas (x ), nverte-se a Euação (.9), obtendo-se a segunte relação: ( U ) u x = U (.0) Quando há a presença de restrções superores e nferores smultaneamente, a escolha de utlzação de L-pseudocomponentes, v, ou U-pseudocomponentes, u, depende da forma da regão expermental. Quando ( L ) < ( U ) L-pseudocomponentes, e uando ( ) ( U ), opta-se pelos L, opta-se pelos U- pseudocomponentes (Cornell, 00). Como será vsto na Seção.5, serão utlzados pseudocomponentes com a fnaldade de reduzr a multcolneardade, uma vez ue o expermento apresentado possu smultaneamente restrções superores e nferores. Ademas,
7 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 7 serão utlzados os L-pseudocomponentes, uma vez ue no expermento em uestão tem-se ue ( ) < ( U ) L..4. Expermento Gerado Computaconalmente Quando a regão expermental restrta fca dstorcda em relação ao espaço fatoral orgnal, recomenda-se a utlzação de algortmos computaconas para a escolha da localzação dos pontos expermentas sobre a regão expermental resultante. Para a escolha da localzação destes pontos expermentas, mutos pacotes computaconas utlzam os crtéros de otmzação alfabétca (Aotmzação, D-otmzação, G-otmzação, V-otmzação), sendo o crtéro D- otmzação o mas conhecdo e o mas utlzado dentre eles. No caso de expermentos com msturas, os algortmos ue utlzam algum crtéro de otmzação reuerem: - um conunto razoável de pontos canddatos, dos uas serão seleconados os pontos expermentas; - um método convenente para calcular as coordenadas desses pontos num espaço fatoral restrto; e - um procedmento sstemátco ou um conunto de regras para a seleção dos pontos. (Myers & Montgomery, 00).4.. Escolha dos Pontos Canddatos Pontos canddatos são os pontos, escolhdos prevamente sobre a regão expermental resultante, canddatos a compor o conunto de pontos expermentas, os uas devem ser seleconados segundo um determnado crtéro. Baseado em experêncas prátcas, Myers & Montgomery (00) recomendam o segunte: - Modelo Lnear: os pontos canddatos devem nclur os vértces da regão, os pontos médos das arestas, o centróde geral e os pontos axas localzados nos pontos médos entre o centróde geral e os vértces. - Modelo Quadrátco: os pontos canddatos devem nclur os vértces da regão, os pontos médos das arestas, os centródes dos planos das restrções, o
8 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 8 centróde geral e os pontos axas localzados nos pontos médos entre o centróde geral e os vértces. - Modelo Cúbco ou Cúbco Especal: os pontos canddatos devem nclur os vértces da regão, os terços das arestas, os centródes do plano das restrções, o centróde geral e os pontos axas localzados nos pontos médos entre o centróde geral e os vértces. Entretanto, se pode utlzar uma outra combnação de pontos canddatos dferente desta recomendação..4.. Crtéros de Seleção Uma vez defndo o conunto aproprado de pontos canddatos, pode-se, então, utlzar um algortmo computaconal para a escolha dos pontos expermentas segundo um determnado crtéro. Para n observações, o modelo lnear geral das fórmulas de estmação possu a segunte representação matrcal: X β ε x x L x p β ε x x L x p β ε y = x x L x p β ε (.) M M O M M M x n xn L xnp β p ε n onde, y é um vetor (n ) das observações, X é uma matrz (n p), β é um vetor (p ) dos coefcentes e ε é um vetor (n ) dos erros aleatóros. No modelo lnear clássco, ε é consderado com dstrbução normal multvarada, ou sea, ( 0, I ) ε ~ N σ. Note ue a matrz X não possu a coluna dentdade relatva ao termo ndependente do modelo de regressão lnear, pos os polnômos canôncos de Scheffé não possuem esse termo. Se p >, as (p ) colunas restantes da X são correspondentes aos termos do produto cruzado entre as proporções dos componentes. Os elementos da matrz βˆ correspondem às estmatvas dos elementos da matrz β pelo método dos mínmos uadrados, ue são dados por:
9 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 9 ( X X) X y βˆ = (.) A matrz de varânca e covarânca dos elementos de βˆ é dada por: ( βˆ ) = ( X X) var σ (.3) A predção da resposta em um ponto ualuer x possu a notação ŷ ( x) e sua varânca pode ser obtda por: [ ˆ( x) ] = σ x ( X X) x var y (.4) onde no lado dreto da Euação (.4), o vetor x de dmensão ( p) contém os valores das proporções dos componentes e os (p ) termos do produto cruzado no ponto. De um ponto de vsta prátco, a utlzação dos crtéros de otmzação alfabétca (A-otmzação, D-otmzação, G-otmzação e V-otmzação) na seleção, dos pontos canddatos mplca na mnmzação de váras funções de ( X X) pos, de acordo com Cornell (00): - A-otmzação busca mnmzar o traço de ( X X) da varânca méda dos elementos de βˆ., levando à mnmzação - D-otmzação busca maxmzar o determnante de ( X X), ou mnmzar o determnante de ( X X). Se os erros forem normalmente dstrbuídos com varânca constante, o expermento D-ótmo mnmza o volume do elpsóde de confança para os parâmetros desconhecdos da Euação (.). - G-otmzação busca mnmzar a máxma varânca da predção da { x} resposta, max d = σ x ( X X) desgn., sobre um conunto específco de pontos do - V-otmzação busca mnmzar o valor médo de d sobre um conunto específco de pontos do desgn. O software Desgn-Expert utlza o crtéro D-otmzação para a escolha dos pontos expermentas, partndo de um conunto pré-defndo de pontos canddatos.
10 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras Exemplo Este expermento é parte do expermento apresentado no Exemplo 3 apresentado na Seção 4.4. O msto uímco em estudo é parte componente de um subsstema de um mecansmo para retardar o aconamento de um motor foguete. Os componentes da mstura são Zarfesl (x ), Vdro Moído (x ) e Ntrocelulose (x 3 ), com as seguntes restrções nas proporções: x x x 3 = 0,77 x 0,4 x 0,05 x 3 0,8 0,8 0,07 Conforme apresentado na Seção.3, uando há a presença de restrções superores e nferores smultaneamente, escolhe-se os L-pseudocomponentes se ( L ) < ( U ). No caso em uestão, optou-se pelos L-pseudocomponentes, á ue ( L ) = 0, 04 e ( U ) = 0, 06 expermental é maor do ue o das restrções superores., pos o efeto das restrções nferores na regão Na Tabela é apresentado o planeamento expermental do msto de retardo, bem como as respostas dos expermentos. Tabela - Expermento do msto de retardo D-ótmo Run x x x 3 v v v 3 Tempo (s) 0,77 0,8 0,05 0 0,9 0,79 0,6 0,05 0,5 0,5 0 7,3 3 0,77 0,8 0, ,7 4 0,8 0,4 0, , 5 0,785 0,55 0,065 0,35 0,35 0,375 0,7 6 0,79 0,6 0,05 0,5 0,5 0 8,7 7 0,79 0,4 0,07 0,5 0 0,5 5,9 8 0,8 0,4 0, ,6 9 0,79 0,4 0,07 0,5 0 0,5 6, 0 0,8 0,4 0,06 0,75 0 0,5 6,0 0,77 0,6 0,07 0 0,5 0,5 7,3 0,8 0,4 0,06 0,75 0 0,5 6,8 3 0,77 0,6 0,07 0 0,5 0,5 5,6 Consderando o modelo cúbco de Scheffé fo austado o segunte modelo:
11 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 3 yˆ = 6,47v 7,53v v 3,30v,3v v 3 5,67v 4,39v v v 3 3 (.5) Na Tabela são apresentados os resultados do teste t para o Modelo (.5). Analsando a coluna p-valor da Tabela, conclu-se ue os termos do modelo austado são sgnfcatvos, á ue todos os p-valores são menores ue 0,05. Tabela - Teste do Modelo (.5) estmatva dos desvo-padrão t-valor p-valor coefcentes v 6, ,583,60 0,0000 v 3,3000 0, ,675 0,0000 v 3 5,66667,3506 4,588 0,005 v v -7,53333,7365 -,776 0,075 v v 3 -,333 3,537-3,444 0,008 v v v 3 4,395 4,0340 5,76 0,003 Myers & Montgomery (00) recomendam a utlzação dos resíduos studentzed para a verfcação das suposções de normaldade, ndependênca e constânca da varânca. Os resíduos studentzed (r ) são defndos da segunte forma: r = σˆ e ( h ) (.6) onde e = y yˆ e h são os elementos da dagonal da matrz chapéu H = X(X'X) X'. Nas Fguras 4 a 6 são apresentados os gráfcos de dagnóstco utlzados na verfcação da adeuação do modelo austado. No gráfco de probabldade normal dos resíduos studentzed, mostrado na Fgura 4, pode-se observar ue não há ndcação de ue a suposção de normaldade não deva ser aceta, á ue não há pontos muto fora do alnhamento. Para verfcar a suposção de ndependênca, há o gráfco de resíduos studentzed das observações na ordem em ue foram realzados os expermentos (ver Fgura 5). Como os resíduos do gráfco mostrado na Fgura 5 estão aleatoramente dstrbuídos e sem ualuer tendênca evdente ue os correlacone, não há razão para se suspetar ue a suposção de ndependênca não sea válda.
12 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 3 Para verfcar a adtvdade do modelo nerente ao modelo lnear, há o gráfco dos resíduos studentzed versus valores austados, mostrado na Fgura 6. Como os resíduos mostrados no gráfco da Fgura 6 seguem dstrbuídos aleatoramente em torno de zero, não há razão para se suspetar ue a suposção de adtvdade não deva ser aceta. 99 % Probabldade Normal Resíduos Studentzed Fgura 4 - Gráfco de probabldade normal dos resíduos studentzed 3.00 Resíduos Studentzed Run Number Fgura 5 - Gráfco de resíduos studentzed versus run number
13 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras Resíduos Studentzed Valor Austado Fgura 6 - Gráfco de resíduos studentzed versus valor austado Com sso, fo verfcada a adeuação do Modelo (.5). O obetvo do expermento é encontrar a formulação deal de forma ue o valor esperado do tempo de uema sea gual a 8 segundos. Tal tempo é o ue maxmza o alcance do foguete. Nas Fguras 7 e 8 são apresentados os gráfcos de contorno da prevsão da resposta e do desvo-padrão da méda de futuras respostas em função dos L- pseudocomponentes, consderando o Modelo (.5). Váras formulações podem resultar em futuras prevsões da resposta gual a 8 segundos. Por consegunte, um obetvo deseável é mnmzar a varânca de uma futura resposta entre as combnações de formulações e varáves categórcas de processo ue resultam num valor esperado da resposta gual a 8 segundos. Analsando os gráfcos das Fguras 7 e 8, pode-se observar ue, ao ser superposta a curva de contorno correspondente ao tempo de 8 segundos com as curvas de contorno de desvo-padrão, deve-se obter um desvo-padrão mínmo entre 0,35 e 0,40. Entretanto, deve-se realzar um procedmento de otmzação mas rgoroso, smlar ao apresentado na próxma seção.
14 Modelagem em Expermentos Mstura-Processo para Otmzação de Processos Industras 34 v v v3 Fgura 7 - Gráfco de contorno da prevsão da resposta para o Modelo (.5) v v v3 Fgura 8 - Gráfco de contorno do desvo-padrão para o Modelo (.5)
2 Experimentos com Mistura
Modelagem em Expermentos com Mstura e Mstura-Processo Expermentos com Mstura Formulações de Expermentos com Mstura (EM) são freuentemente encontradas nas ndústras uímcas, farmacêutcas, de almentos e em
Leia maisEXPERIMENTOS COM MISTURA PARA OTIMIZAÇÃO DE PROCESSOS: UMA APLICAÇÃO COM RESPOSTAS NÃO NORMAIS
versão mpressa ISSN 0101-7438 / versão onlne ISSN 1678-514 EXPERIMENTOS COM MISTURA PARA OTIMIZAÇÃO DE PROCESSOS: UMA APLICAÇÃO COM RESPOSTAS NÃO NORMAIS Antono Fernando de Castro Vera * Departamento de
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Lnear (PL) Aula : Dualdade. Defnção do Problema Dual. Defnção do problema dual. O que é dualdade em Programação Lnear? Dualdade sgnfca a exstênca de um outro problema de PL, assocado a cada
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisREGRESSÃO E CORRELAÇÃO
Relaconamento entre varáves : - requer conhecmento REGRESSÃO E CORRELAÇÃO Y = f ( ) + ε Ex: 1. Y = Lucro de uma Empresa = Investmento em Publcdade Y(v.aleatóra) em função de (v.determnístca), onde Y é
Leia maisAULA Espaços Vectoriais Estruturas Algébricas.
Note bem: a letura destes apontamentos não dspensa de modo algum a letura atenta da bblografa prncpal da cadera Chama-se a atenção para a mportânca do trabalho pessoal a realzar pelo aluno resolvendo os
Leia mais4 Experimentos Mistura-Processo
Modeagem em Epermentos Mstura-Processo para Otmação de Processos Industras 5 4 Epermentos Mstura-Processo Em certas stuações podem estr outros fatores, aém das proporções dos componentes, ue afetem as
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisFUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES
FUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES Edmlson Rodrgues Pnto Leandro Alves Perera Faculdade de Matemátca Faculdade de Matemátca Unversdade Federal de Uberlânda
Leia maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisVariável discreta: X = número de divórcios por indivíduo
5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisNOTAS DE AULA DA DISCIPLINA CE076
5. COMPONENTES PRINCIPAIS 5. Introdução A análse de Comonentes Prncas está relaconada com a exlcação da estrutura de covarânca or meo de oucas combnações lneares das varáves orgnas em estudo, ou sea, rocura
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisREGRESSÃO LINEAR ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA REGRESSÃO CURVILÍNEA FUNÇÃO QUADRÁTICA
ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA REGRESSÃO LINEAR Verfcado, pelo valor de r, que ocorre uma sgnfcante correlação lnear entre duas varáves há necessdade de quantfcar tal relação, o que é feto pela análse
Leia maisAplicação de um modelo simulado na formação de fábricas
Aplcação de um modelo smulado na formação de fábrcas Márca Gonçalves Pzaa (UFOP) pzaa@ldapalm.com.br Rubson Rocha (UFSC) rubsonrocha@eps.ufsc.br Resumo O objetvo deste estudo é determnar a necessdade de
Leia mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia maisModelagem do crescimento de clones de Eucalyptus via modelos não lineares
Modelagem do crescmento de clones de Eucalyptus va modelos não lneares Joselme Fernandes Gouvea 2 Davd Venanco da Cruz 3 Máco Augusto de Albuquerque 3 José Antôno Alexo da Slva Introdução Os fenômenos
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisRadiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)
Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia mais4.1. Tábuas de mortalidade
42 4. Metodologa A verfcação da estênca de dferença na taa de mortaldade de partcpantes ue abandonam um plano de seguro de vda ou prevdênca complementar será realzada medante a comparação entre as probabldades
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisANÁLISE DA VARIÂNCIA DA REGRESSÃO
ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisUniversidade Federal de Viçosa. Introdução à Metodologia de Superfícies de
Unversdade Federal de Vçosa Departamento de Estatístca Dscplna: EST 63 Métodos Estatístcos II Apostla Introdução à Metodologa de Superfíces de Resposta Paulo Roberto Cecon Anderson Rodrgo da Slva Vçosa,
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisMODELAGEM CONJUNTA DE MÉDIA E VARIÂNCIA EM EXPERIMENTOS FRACIONADOS SEM REPETIÇÃO UTILIZANDO GLM
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO MODELAGEM CONJUNTA DE MÉDIA E VARIÂNCIA EM EXPERIMENTOS FRACIONADOS SEM REPETIÇÃO UTILIZANDO
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisCAPÍTULO 9 REGRESSÃO LINEAR PPGEP REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES UFRGS. Regressão Linear Simples
CAPÍTULO 9 REGREÃO LINEAR IMPLE REGREÃO LINEAR IMPLE UFRG Em mutos problemas há duas ou mas varáves que são relaconadas, e pode ser mportante modelar essa relação. Por exemplo, a resstênca à abrasão de
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisUM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS
UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisAjuste de Curvas Regressão. Computação 2º Semestre 2016/2017
Ajuste de Curvas Regressão Computação 2º Semestre 2016/2017 Ajuste de Curvas Quando apenas sabemos alguns valores de uma função contínua e queremos estmar outros valores ntermédos Quando queremos obter
Leia mais